试用机器再造工程，业务速度翻倍，停机时间减少50%

埃森哲（Accenture）是全球最大的管理咨询、信息技术和外包服务公司，《财富》全球500强企业之一。H.James Wilson是Accenture高性能研究所信息技术与业务调研董事总经理；Sharad Sachdev是Accenture分析董事总经理，实践创新带头人；Allan Alter是Accenture高性能研究所的高级研究员。

机器再造工程（Machine-reengineering）是一种使用机器学习实现业务流程自动化的方式。尽管机器再造工程是一项新兴技术，企业们已经看到了显著成效，尤其是在提高运作速度和效率方面。通过研究168个早期就开始试用这项技术的组织或企业，我们发现绝大部分业务流程的运作速度都有了2倍以上的提升，一些组织报告说速度的提升甚至达到了10倍以上。

这些企业组织是如何做到的呢？我们研究发现这些企业通过机器再造工程建立新型人机合作模式，从而打破了复杂的数字化流程的瓶颈。在一些情况下，比如图像分析和撰写报告，机器再造工程技术直接帮助员工去执行数字任务。在其他情况下，这项技术帮人们从繁冗的数据里激发灵感、找到关键。以下是企业如何通过机器再造工程技术提高速度和效率的几个例子。

1.扫描图像、声音和文本

在企业实行数字战略的同时，产生了一种新的高强度工作任务：处理公司收集到的所有数据。这些数据是高度无结构的，而且有着各种各样的格式，这意味着人们需要花很大的精力去逐个扫描来获取需要的数据，而后完成流程当中的一步。以数字化数据扫描为核心的人机合作模式至少能够提高三种常规数据处理任务的速度。

2.视频预览

Clarifai是一家总部在纽约的创业公司，该公司利用机器学习来识别视频中的人物、物体和场景，其分析识别速度远远快于人类。在演示中，处理一段3.5分钟的视频片段只需要10秒钟。这项技术能识别视频中不同类型的人物，比如说登山者，从而帮助广告商更好地将广告和视频结合起来。它还能用来帮助视频编辑和策展团队发现组织视频锦集和编辑视频脚本的新方法。这个自动编辑助手极大地改变了媒体、广告和电影产业工作者的日常工作模式。

3.图像分析

MetaMind是另一家位于硅谷的创业公司。该公司提供一种叫做HealthMind的服务，使用用计算机视觉分析大脑、眼睛和肺的医学扫描图片，发现肿瘤或组织损伤。HealthMind的自然语言处理、计算机视觉和数据预测算法都依靠深度学习技术。使用HealthMind的结果是医生可以用更少的时间分析图像，用更多的时间去和病人交流。

4.文件和数据输入

机器可以学会执行耗时的文件和数据输入任务，从而让知识工作者花更多的时间解决更有价值的问题。总部在伦敦的创业公司Attia就是一个例子。它能帮助客户自动生成从健康医疗到金融再到石油天然气行业的产业报告。该公司的自然语言处理技术通过扫描文本、确定不同概念之间的联系来生成报告。而且它还能刷新输入的数据来不断更新报告。Attia发现这个过程能让知识工作者提高25%的工作效率。例如工程师，可以每月省下40个小时做报告的时间。

5.挖掘数据内部价值(www.xing528.com)

随着工作流程中数据量的增加，分析、处理数据所需要的时间也随之增加。我们在股票交易、市场营销和工业制作的过程中已经能看到这样的现象。大量数据的涌入会让我们更难寻找到关键的、有意义的信息。但有了机器这个帮手，人们可以更快地从大数据中挖掘出有价值的见解。我们研究表明企业至少在四种数据分析任务中证明了这一点。

6.市场监测

总部位于纽约的公司Dataminr，使用多种指标为股票交易者确认含有股票交易相关信息的小道消息。通过监测整个网络中的信息传播，Dataminr评估这些信息的重要性和紧迫性。只要它能提前三分钟通知到交易者，这就能转化为巨大的利益。新闻行业也正在使用Dataminr寻找突发新闻，从而使记者能更快地报道新闻。

7.预测模型

同样也是来自纽约的SailThru公司通过分析电子邮件和网络数据建立客户档案，帮助市场营销人员部署更有效的促销邮件。SailThru的系统会记住顾客的兴趣爱好（比如骑自行车和攀岩）和购买行为，然后预测哪些人会在什么时候购买什么物品，进而在这最有效的时机提供恰当的信息。Clymb是SailThru公司的一个客户，它们专门销售户外装备。在使用SailThru个性化邮件系统的90天内，Clymb见证了邮件收入增长12%，完全通过邮件购买的总额增长了8%。个性化再结合智能预测之后，每发送一千封电子邮件的收入更是增长了175%，客户流失也减少了72%。

8.根源分析

总部设在三藩市和利沃尼亚的制造业分析公司Sight Machine，专门帮助客户解决复杂的质量控制问题。一条装配线上有数千个不同类型的传感器，而一个质量问题或事故就能触发数百个警报代码，所以客户面对的一个问题是如何解释每一次警报的源头。Sight Machine的软件运用机器学习解释这些警报的模式，从而帮助工程师从数百个报警器中找出代表问题根源的警报器，快速准确地解决问题。

9.预测性维护

机器学习能在工厂数据中发现容易被人们忽视的有意义的数据模式，从而帮助人类做出决策。还是Sight Machine公司：通过分析之前故障的数据模式，该公司的系统帮助制造工程师预测和预防故障法伤。对于一条自动生产线而言，Sight Machine能把一个月之内的停机时间减少50%，性能提升25%，这远远优于客户行业只有1%-2%性能提升的现状。

许多开发者相信，机器学习将变得像搜索引擎一样无处不在和使用简便。在搜索引擎方面，谷歌、雅虎等公司向普通用户释放了Web的力量，让他们能在浩如烟秒的网页中找到自己想要的信息。同样的，机器学习也能帮助各种各样的企业利用现代化的数据集获取有价值的洞察。目前，我们还未做到这一点。要达到理想的未来，还需要更多的投入——不仅来自机器学习开发者，还来自那些数据量和分析需求早已超出传统方法处理范畴的商业用户。